基于自监督特征学习的图像美学评估再探
计算机视觉与模式识别
2019-12-04 v1
摘要
视觉美学评估数十年来一直是活跃的研究领域。尽管最新方法在基准数据集上取得了有前景的性能，但它们通常依赖大量人工标注，包括美学标签和相关图像属性。本文中，我们从自监督特征学习的角度重新审视图像美学评估问题。我们的动机是，适用于图像美学评估的特征表示应能够区分不同的专家设计的图像操作，这些操作与负面美学效应密切相关。为此，我们设计了两个新颖的预文本任务来识别应用于合成样本的编辑操作的类型和参数。我们的预文本任务提取的特征随后被适配到一个单层线性分类器，以二分类美学分类的性能进行评估。我们在三个基准数据集上进行了广泛的定量实验，并证明我们的方法能忠实提取美学感知特征，且优于替代的预文本方案。此外，我们取得了与使用来自ImageNet的1000万标签的最先进监督方法相当的结果。
引用
@article{arxiv.1911.11419,
title = {Revisiting Image Aesthetic Assessment via Self-Supervised Feature Learning},
author = {Kekai Sheng and Weiming Dong and Menglei Chai and Guohui Wang and Peng Zhou and Feiyue Huang and Bao-Gang Hu and Rongrong Ji and Chongyang Ma},
journal= {arXiv preprint arXiv:1911.11419},
year = {2019}
}
备注
AAAI Conference on Artificial Intelligence, 2020, accepted